CN115586086A - 一种基于大数据的井壁失稳分析方法 - Google Patents
一种基于大数据的井壁失稳分析方法 Download PDFInfo
- Publication number
- CN115586086A CN115586086A CN202211200686.XA CN202211200686A CN115586086A CN 115586086 A CN115586086 A CN 115586086A CN 202211200686 A CN202211200686 A CN 202211200686A CN 115586086 A CN115586086 A CN 115586086A
- Authority
- CN
- China
- Prior art keywords
- data
- borehole wall
- well
- stress
- borehole
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/24—Investigating strength properties of solid materials by application of mechanical stress by applying steady shearing forces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V7/00—Measuring gravitational fields or waves; Gravimetric prospecting or detecting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Geophysics (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Computer Hardware Design (AREA)
- Chemical & Material Sciences (AREA)
- Geometry (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本公开提供一种基于大数据的井壁失稳分析方法,涉及井壁失稳领域。基于大数据分析与深度学习的井壁失稳预测,结合已有的井壁失稳理论及实验研究成果,找到所研究区块的井壁失稳的主控因素和相关因素,基于数据分类,建立大数据模型,通过大数据学习提高分析预测的准确性,通过大数据模型的应用,利用深度学习技术对区域井壁失稳评价研究,最终形成基于大数据的地区井壁失稳评价与预防技术;基于大数据分析的井壁失稳分析工具,主要是通过数据分析,提供预防井壁失稳的安全密度窗口,井径变化的控制分析,钻井液性能与处理剂加量的优化,邻井数据分析,ECD分析及钻井时间效应分析等,达到降低目标地层岩石的水化膨胀影响、预防井壁失稳的目的,本发明适用于井壁失稳预测。
Description
技术领域
本公开涉及井壁失稳领域,尤其涉及一种基于大数据的井壁失稳分析方法。
背景技术
长期以来,井壁失稳一直是困扰钻完井施工的一个主要难题。特别是近年来,钻井面临的地质条件越来越复杂,且大位移井、超长水平井等复杂结构井越开越多,使得钻完井过程中的井壁失稳问题更为突出,根据罗平亚院士报告统计,当前钻井井下所遇复杂问题造成的损失中,井壁不稳定占24%,是钻井井下复杂与事故中常见、难度大、影响大的技术难题;
长庆钻井2017年钻井2285口、2018年钻井2269口,2019年钻井1323口,每年汇集大量的事故处理案例,急需正确分析处理历史大数据,建立基于机器学习技术建立预测井壁失稳的人工智能程序,有助于后期技术方案的优化,减少井壁失稳导致的事故发生。
发明内容
本文提出一种基于大数据的井壁失稳分析方法,基于大数据分析的井壁失稳分析工具的研究,重点是优选区块地层的钻井液体系和性能参数,处理剂用量和配置的优化,分析如何减小井径的变化,找出合理的安全密度窗口及密度预警窗口,对增加坍塌周期减弱钻井时间效应提供数据支持,同时对邻井的数据进行分析,找到安全的钻井参数,建立基于大数据分析与深度学习的井壁失稳预测模型。
本公开实施例提供一种基于大数据的井壁失稳分析方法,基于大数据分析与深度学习的井壁失稳预测,主要是结合已有的井壁失稳理论及实验研究成果,找到所研究区块的井壁失稳的主控因素和相关因素,基于数据分类,建立大数据模型,通过大数据学习提高分析预测的准确性,通过大数据模型的应用,利用深度学习技术对长庆区域井壁失稳评价研究,最终形成基于大数据的长庆地区井壁失稳评价与预防技术。
根据本公开实施例的第一方面,提供一种基于大数据的井壁失稳分析方法,该方法包括步骤如下:
101、根据数据采集平台采集的数据建立井壁失稳分析数据库并构建数据接口;遍历所有历年钻井数据对井壁失稳数据分析扫描进行预处理,构建井壁弹性模型,获取井壁上的应力状态,将历年井壁失稳的数据进行训练;
102、将历年井壁失稳的数据进行训练是对区块地层的井径变化和对区块内所有施工方案进行分析,根据不同条件的应力分量分别获得钻井液密度代入准则进行运算,得出井壁剪切面上的剪应力,判断井壁的稳定性情况;
103、根据邻井数据分析该区块内所有施工方案,得到安全密度窗口及密度预警窗口;根据该区块内历史测井数据归一化后基于BP神经网络进行训练建模,通过所述训练建立地层压力模型;该地层压力模型为训练好的井壁失稳预测神经网络模型,对井壁失稳预测。
优选地,步骤101中的数据采集平台采集数据,是指采集井场数据、现场工程数据,构建机器学习进行训练前的数据收集准备;构建数据接口为井径数据、事故复杂信息、伽马值、井基础信息、测井数据、钻井参数、钻井液性能、电测信息的抽取清洗转换接口;
优选地,步骤101中的所述遍历所有历年钻井数据对井壁失稳数据分析扫描进行预处理,是指对所有历年钻井数据获取影响井壁失稳参数、区块和地层容易发生井壁失稳数据构建井壁弹性模型,该井壁弹性模型公式为如下:
圆柱坐标系下的径向应力分量σr为:
圆柱坐标系下的切向应力分量σθ为:
圆柱坐标系下的轴向应力分量σz为:
圆柱坐标系下的剪切应力分量τrθ为:
圆柱坐标系下的剪切应力分量τθz为:
圆柱坐标系下的剪切应力分量τrz为:
式中:PP为孔隙压力;μ为泊松比;δ为井壁渗透性系数;
当井壁为不渗透时,井壁渗透性系数δ=0;
当井壁为可渗透时,井壁渗透性系数δ=1;
令r=R;带入式(1)、(2)、(3)获取井壁上的应力状态;所述井壁上的应力状态公式为:
σr=ΡW-δφ1(PW-PP) (7)
τrθ=0 (10)
τrz=0 (12)
τrθ、τθz、τrz分别为圆柱坐标系下的剪切应力分量。
优选地,步骤102将历年井壁失稳的数据进行训练是对区块地层的井径变化和对区块内所有施工方案进行分析,根据不同条件的应力分量分别获得钻井液密度并代入准则进行运算求解,得出相应的井壁剪切面上的剪应力,判断井壁的稳定性情况;是指根据不同条件的径向应力分量σr、切向应力分量σθ、轴向应力分量σz分别获得钻井液密度并代入库伦-摩尔准则进行运算求解,得出相应的井壁剪切面上的剪应力;
该库伦-摩尔准则为:当剪切面上的剪应力大于等于岩石固有剪切强度S0值加上作用于剪切面上的摩擦阻力fσ,井壁发生剪切破坏,否则,井壁为稳定结构;
|τ|≥fσ+S0 (13)
其中,τ为剪切面上的剪应力;S0为岩石固有剪切强度;f为岩石内摩擦系数。
优选地,径向应力分量σr、切向应力分量σθ、轴向应力分量σz的表达式在不同的条件下代入库伦-摩尔准则进行求解,得出相应的井眼方向的临界钻井液密度Ρw;
e、当σr≥σz≥σθ时,Ρw≥σvtan2β-α1Ρf(tan2β-1)+C0
f、当σθ≥σr≥σz时,Ρw≤2σh-σvtan2β+α1Ρf(tan2β-1)-C0
其中,σr为圆柱坐标系下的径向应力分量;σθ为圆柱坐标系下的切向应力分量;σz为圆柱坐标系下的轴向应力分量。
优选地,步骤102将历年井壁失稳的数据进行训练是对区块地层的井径变化和对区块内所有施工方案进行分析,根据不同条件的应力分量分别获得钻井液密度并代入准则进行运算求解,是指将径向应力分量σr、切向应力分量σθ、轴向应力分量σz的表达式在不同的条件下代入修正的Lade准则(Modified Lade criterion拉特屈服)进行求解,得出相应的井眼方向的临界钻井液密度Ρw;
其中,Lade准则具有以下表达式:
其中,I1=σ1+σ2+σ3;I3=σ1σ2σ3;Pa为大气压;m,η1为材料常数;
其中,修改的Lade准则具有以下表达式:
(I″1)3/I″3=27+η (15)
其中,
I″1=(σr+S1-PP)+(σθ+S1-PP)+(σZ+S1-PP)
S1、η为材料常数;S1=S0/tanφ;η=4tan2φ(9-7sinφ)/(1-sinφ)
PP为孔隙压力;φ为内摩擦角;
S0为岩石的固有剪切强度或内摩擦力;
q剪切强度(shear strength);q=(1/2)[(σ1-σ2)2+(σ2-σ3)2+(σ1-σ3)2]1/2
当井壁为不渗透时,井壁渗透性系数δ=0,将式(15)代入井壁弹性模型中运算得到井眼方向的临界钻井液密度PW表达式为:
式中:
A=σZ+S1-PP;
D=(σθn+σZ+3S1-3PP)3/(27+η);
优选地,井眼方向的临界钻井液密度值通过大数据学习分析预测,该预测分析为预测生成区块三压力剖面,所述三压力剖面包括破裂压力预测评估、坍塌压力预测评估和孔隙压力预测评估;同时对邻井的数据进行分析,得到安全的钻井参数,并生成建议施工方案。
优选地,对邻井的数据进行分析,得到安全的钻井参数,是指对各地层邻井的数据分析,得到安全密度窗口及密度预警窗口;该邻井的数据分析包括区块地层的钻井液体系、性能参数,处理剂用量和配置的优化,如何减小井径的变化的分析;
其中,邻井的数据包括性能范围、处理剂加量、机械钻速、井基础信息、钻井参数、事故复杂、井径扩大率、伽马值、钻井周期、成本和电测信息;
该生成建议施工方案,是指按不同维度选出本区块的施工方案,选取维度包括井径扩大率、钻井周期、机械钻速、钻井成本,所述建议施工方案指标包括优先密度范围、标准密度范围、电测遇阻和伽马值。
优选地,对各地层邻井的数据分析、得到安全密度窗口及密度预警窗口之前,对获得邻井的数据进行选择,采用数据清洗对不同的邻井的数据缺陷进行处理,该处理邻井的数据中存在的离群点,该离群点数据采用聚类算法来甄别并进行处理,再将数据进行模式分类和归一化处理后作为BP神经网络训练的输入,该BP神经网络训练采用训练函数进行BP神经网络建模,所述BP神经网络的输入层节点数设为故障特征个数;隐含层节点数、学习率参数采用经验值设置、试错法。
优选地,本区块的施工方案和安全密度窗口及密度预警窗口,根据该区块内历史测井数据归一化后基于BP神经网络进行训练建模,通过该训练建立地层压力模型,是通过基于BP神经网络的训练建立地层破裂压力剖面模型和地层坍塌压力剖面模型。
其中,地层破裂压力剖面模型是指基于井眼裸露地层在外力作用下使其起裂或原有裂缝重新开启的地层破裂压力,该地层破裂是由于井内钻井液密度过高,使岩石所受到的有效切向应力超过岩石的抗张强度造成的;其计算模型主要有:
实用破裂压力预测模型
两个水平主地应力的预测模式:
公式中:
Pf为地层破裂压力,MPa;Es为岩石静态杨氏模量,MPa;
μs为岩石静态泊松比,无因次;Pp为地层孔隙压力,MPa;
α为有效应力系数,无因次;σH为水平最大主应力,MPa;
σh为水平最小主应力,MPa;σv为上覆岩层压力,MPa;
St为岩石抗拉强度,Mpa;
ξ1、ξ2为两个水平方向上的构造应力系数;
其中,地层坍塌压力剖面计算模型主要包括地层坍塌压力模型Ⅰ、地层坍塌压力实用计算模型Ⅱ
所述地层坍塌压力模型Ⅰ预测模式:
式中:
ρbt为地层剪切坍塌压力等效泥浆密度,g/cm3;
η为井壁岩石的非线性修正系数,对一般泥浆岩取η≤1;
σH为水平最大主应力;σh为水平最小主应力;Ρp为地层孔隙压力;
H为返射层深度;K为修正系数,K=0.5~0.80;
地层坍塌压力实用计算模型Ⅱ的预测模式:
式中:Kt=3γ-β,称为区域构造应力影响系数,同一区块内为常数。
本公开实施例提供一种基于大数据的井壁失稳分析方法,基于大数据分析与深度学习的井壁失稳预测,结合已有的井壁失稳理论及实验研究成果,找到所研究区块的井壁失稳的主控因素和相关因素,基于数据分类,建立大数据模型,通过大数据学习提高分析预测的准确性,通过大数据模型的应用,利用深度学习技术对长庆区域井壁失稳评价研究,最终形成基于大数据的长庆地区井壁失稳评价与预防技术;基于大数据分析的井壁失稳分析工具,主要是通过数据分析,提供预防井壁失稳的安全密度窗口,井径变化的控制分析,钻井液性能与处理剂加量的优化,邻井数据分析,ECD分析及钻井时间效应分析等,达到降低目标地层岩石的水化膨胀影响、预防井壁失稳的目的。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本公开实施例提供的一种基于大数据的井壁失稳分析方法的流程图;
图2是本公开实施例提供的一种基于大数据的井壁失稳分析方法井壁失稳预测建模流程图;
图3是本公开实施例提供的一种基于大数据的井壁失稳分析方法安全密度窗口及密度预警窗口结构示意图;
图4是本公开实施例提供的一种基于大数据的井壁失稳分析方法三压力剖面计算模型结构示意图;
图5是本公开实施例提供的一种基于大数据的井壁失稳分析方法地应力参数模型结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
实施例一、
本公开实施例提供一种基于大数据的井壁失稳分析方法,如图1所示,该故障诊断方法包括以下步骤:
101、根据数据采集平台采集的数据建立井壁失稳分析数据库并构建数据接口;遍历所有历年钻井数据对井壁失稳数据分析扫描进行预处理,构建井壁弹性模型,获取井壁上的应力状态,将历年井壁失稳的数据进行训练;
102、将历年井壁失稳的数据进行训练是对区块地层的井径变化和对区块内所有施工方案进行分析,根据不同条件的应力分量分别获得钻井液密度代入准则进行运算,得出井壁剪切面上的剪应力,判断井壁的稳定性情况;
103、根据邻井数据分析该区块内所有施工方案,得到安全密度窗口及密度预警窗口;根据该区块内历史测井数据归一化后基于BP神经网络进行训练建模,通过所述训练建立地层压力模型;该地层压力模型为训练好的井壁失稳预测神经网络模型,对井壁失稳预测。
在一个实施例中,步骤101中的数据采集平台采集数据,是指采集井场数据、现场工程数据,构建机器学习进行训练前的数据收集准备;构建数据接口为井径数据、事故复杂信息、伽马值、井基础信息、测井数据、钻井参数、钻井液性能、电测信息的抽取清洗转换接口;
在一个实施例中,步骤101中的所述遍历所有历年钻井数据对井壁失稳数据分析扫描进行预处理,是指对所有历年钻井数据获取影响井壁失稳参数、区块和地层容易发生井壁失稳数据构建井壁弹性模型,该井壁弹性模型公式为如下:
圆柱坐标系下的径向应力分量σr为:
圆柱坐标系下的切向应力分量σθ为:
圆柱坐标系下的轴向应力分量σz为:
圆柱坐标系下的剪切应力分量τrθ为:
圆柱坐标系下的剪切应力分量τθz为:
圆柱坐标系下的剪切应力分量τrz为:
式中:PP为孔隙压力;μ为泊松比;δ为井壁渗透性系数;
当井壁为不渗透时,井壁渗透性系数δ=0;
当井壁为可渗透时,井壁渗透性系数δ=1;
令r=R;带入式(1)、(2)、(3)获取井壁上的应力状态;所述井壁上的应力状态公式为:
σr=ΡW-δφ1(PW-PP) (7)
τrθ=0 (10)
τrz=0 (12)
τrθ、τθz、τrz分别为圆柱坐标系下的剪切应力分量。
在一个实施例中,步骤102将历年井壁失稳的数据进行训练是对区块地层的井径变化和对区块内所有施工方案进行分析,根据不同条件的应力分量分别获得钻井液密度并代入准则进行运算求解,得出相应的井壁剪切面上的剪应力,判断井壁的稳定性情况;是指根据不同条件的径向应力分量σr、切向应力分量σθ、轴向应力分量σz分别获得钻井液密度并代入库伦-摩尔准则进行运算求解,得出相应的井壁剪切面上的剪应力;
该库伦-摩尔准则为:当剪切面上的剪应力大于等于岩石固有剪切强度S0值加上作用于剪切面上的摩擦阻力fσ,井壁发生剪切破坏,否则,井壁为稳定结构;
|τ|≥fσ+S0 (13)
其中,τ为剪切面上的剪应力;S0为岩石固有剪切强度;f为岩石内摩擦系数。
在一个实施例中,径向应力分量σr、切向应力分量σθ、轴向应力分量σz的表达式在不同的条件下代入库伦-摩尔准则进行求解,得出相应的井眼方向的临界钻井液密度Ρw;
e、当σr≥σz≥σθ时,Ρw≥σvtan2β-α1Ρf(tan2β-1)+C0
f、当σθ≥σr≥σz时,Ρw≤2σh-σvtan2β+α1Ρf(tan2β-1)-C0
其中,σr为圆柱坐标系下的径向应力分量;σθ为圆柱坐标系下的切向应力分量;σz为圆柱坐标系下的轴向应力分量。
在一个实施例中,步骤102将历年井壁失稳的数据进行训练是对区块地层的井径变化和对区块内所有施工方案进行分析,根据不同条件的应力分量分别获得钻井液密度并代入准则进行运算求解,是指将径向应力分量σr、切向应力分量σθ、轴向应力分量σz的表达式在不同的条件下代入修正的Lade准则(Modified Lade criterion拉特屈服)进行求解,得出相应的井眼方向的临界钻井液密度Ρw;
其中,Lade准则具有以下表达式:
其中,I1=σ1+σ2+σ3;I3=σ1σ2σ3;Pa为大气压;m,η1为材料常数;
其中,修改的Lade准则具有以下表达式:
(I″1)3/I″3=27+η (15)
其中,
I″1=(σr+S1-PP)+(σθ+S1-PP)+(σZ+S1-PP)
S1、η为材料常数;S1=S0/tanφ;η=4tan2φ(9-7sinφ)/(1-sinφ)
PP为孔隙压力;φ为内摩擦角;
S0为岩石的固有剪切强度或内摩擦力;
q剪切强度(shear strength);q=(1/2)[(σ1-σ2)2+(σ2-σ3)2+(σ1-σ3)2]1/2
当井壁为不渗透时,井壁渗透性系数δ=0,将式(15)代入井壁弹性模型中运算得到井眼方向的临界钻井液密度PW表达式为:
式中:
A=σZ+S1-PP;
D=(σθn+σZ+3S1-3PP)3/(27+η);
在一个实施例中,井眼方向的临界钻井液密度值通过大数据学习分析预测,该预测分析为预测生成区块三压力剖面,所述三压力剖面包括破裂压力预测评估、坍塌压力预测评估和孔隙压力预测评估;同时对邻井的数据进行分析,得到安全的钻井参数,并生成建议施工方案。
在一个实施例中,对邻井的数据进行分析,得到安全的钻井参数,是指对各地层邻井的数据分析,得到安全密度窗口及密度预警窗口;该邻井的数据分析包括区块地层的钻井液体系、性能参数,处理剂用量和配置的优化,如何减小井径的变化的分析;
其中,邻井的数据包括性能范围、处理剂加量、机械钻速、井基础信息、钻井参数、事故复杂、井径扩大率、伽马值、钻井周期、成本和电测信息;
该生成建议施工方案,是指按不同维度选出本区块的施工方案,选取维度包括井径扩大率、钻井周期、机械钻速、钻井成本,所述建议施工方案指标包括优先密度范围、标准密度范围、电测遇阻和伽马值。
在一个实施例中,对各地层邻井的数据分析、得到安全密度窗口及密度预警窗口之前,对获得邻井的数据进行选择,采用数据清洗对不同的邻井的数据缺陷进行处理,该处理邻井的数据中存在的离群点,该离群点数据采用聚类算法来甄别并进行处理,再将数据进行模式分类和归一化处理后作为BP神经网络训练的输入,该BP神经网络训练采用训练函数进行BP神经网络建模,所述BP神经网络的输入层节点数设为故障特征个数;隐含层节点数、学习率参数采用经验值设置、试错法。
在一个实施例中,本区块的施工方案和安全密度窗口及密度预警窗口,根据该区块内历史测井数据归一化后基于BP神经网络进行训练建模,通过该训练建立地层压力模型,是通过基于BP神经网络的训练建立地层破裂压力剖面模型和地层坍塌压力剖面模型。
其中,地层破裂压力剖面模型是指基于井眼裸露地层在外力作用下使其起裂或原有裂缝重新开启的地层破裂压力,该地层破裂是由于井内钻井液密度过高,使岩石所受到的有效切向应力超过岩石的抗张强度造成的;其计算模型主要有:
实用破裂压力预测模型
两个水平主地应力的预测模式:
公式中:
Pf为地层破裂压力,MPa;Es为岩石静态杨氏模量,MPa;
μs为岩石静态泊松比,无因次;Pp为地层孔隙压力,MPa;
α为有效应力系数,无因次;σH为水平最大主应力,MPa;
σh为水平最小主应力,MPa;σv为上覆岩层压力,MPa;
St为岩石抗拉强度,Mpa;
ξ1、ξ2为两个水平方向上的构造应力系数;
其中,地层坍塌压力剖面计算模型主要包括地层坍塌压力模型Ⅰ、地层坍塌压力实用计算模型Ⅱ
地层坍塌压力模型Ⅰ预测模式:
式中:
ρbt为地层剪切坍塌压力等效泥浆密度,g/cm3;
η为井壁岩石的非线性修正系数,对一般泥浆岩取η≤1;
σH为水平最大主应力;σh为水平最小主应力;Ρp为地层孔隙压力;
H为返射层深度;K为修正系数,K=0.5~0.80;
地层坍塌压力实用计算模型Ⅱ的预测模式:
式中:Kt=3γ-β,称为区域构造应力影响系数,同一区块内为常数。
本公开实施例提供一种基于大数据的井壁失稳分析方法,基于大数据分析与深度学习的井壁失稳预测,主要是结合已有的井壁失稳理论及实验研究成果,找到所研究区块的井壁失稳的主控因素和相关因素,基于数据分类,建立大数据模型,通过大数据学习提高分析预测的准确性,通过大数据模型的应用,利用深度学习技术对长庆区域井壁失稳评价研究,最终形成基于大数据的长庆地区井壁失稳评价与预防技术;基于大数据分析的井壁失稳分析工具,主要是通过数据分析,提供预防井壁失稳的安全密度窗口,井径变化的控制分析,钻井液性能与处理剂加量的优化,邻井数据分析,ECD分析及钻井时间效应分析等,达到降低目标地层岩石的水化膨胀影响、预防井壁失稳的目的。
基于上述图1对应的实施例中所描述的一种基于大数据的井壁失稳分析方法,下述为本发明公开具体实施例。
实施例二、
本发明实施例提供一种基于大数据的井壁失稳分析方法,如图2所示,该方法步骤如下
S1步骤建立井壁失稳分析数据库,该数据库包括一体化库中和钻井液信息技术一体化平台数据库涉及井壁失稳的全部数据。
具体的,其中一体化库在试油、酸化压裂、测试等多个专业间实现了无线组网,实时数据的传输和存储因此变得更快捷、准确、集中;另外川庆一体化库平台能对井筒全专业链进行综合数据采集管理、专业数据分析应用和生产动态跟踪,具备海量数据处理能力;
其中,钻井液信息技术一体化平台数据库涵盖了钻井、录井、测井、井下作业等相关专业,通过平台完成了现场数据唯一性采集、数据管理、数据发布、数据分析等多种应用,奠定了信息化建设的基础,系统总体架构设计中,数据采集平台应用井场数据一体化采集器和数据采集系统实现现场工程数据的采集;数据传输平台应用井场组网和川庆一体化专用网络进行数据传输;数据存储平台采用标准数据格式将数据存储在一体化数据库中;综合应用平台在后方基地开展数据远程监测、工程预警、钻并决策等应用功能;
本发明中的井壁失稳分析数据库的建立是通过一体化库中和钻井液信息技术一体化平台数据库涉及井壁失稳的全部数据,使得井壁失稳分析数据库能够结合已有的井壁失稳理论及实验研究成果,找到所研究区块的井壁失稳的主控因素和相关因素,基于数据分类,建立大数据模型,通过大数据学习提高分析预测的准确性。
在一个实施例中:S2步骤数据收集准备,根据建立数据库中数据,进行数据接口处理,数据接口为井径数据、事故复杂信息、伽马值、井基础信息、测井数据、钻井参数、钻井液性能、电测信息的抽取清洗转换接口;
造成井壁失稳的原因很多,主要分天然的和人为的两个方面。
在天然因素方面有:地质构造类型和原地应力,地层的岩性和形状,含粘土矿物的类型,弱面的存在及其倾角,层面的胶结情况,地层强度,裂隙节理的发育情况,孔隙度,渗透性及孔隙中的流体压力等。
在人为因素方面有:钻井液的性能(失水,粘度,流变性,密度),钻井液的成分与泥页岩化学作用的强弱(水化,膨胀作用),井周钻井液侵入带的深度和范围,井眼裸露的时间,钻井液的环空返速,对井壁的冲蚀作用,循环动压力和起下钻的波动压力,井眼轨迹的形状,钻柱对井壁的摩擦和碰撞等。
与影响因素相关的数据及其获取
(1)地层岩石力学参数
主要包括岩石弹性模量、抗压强度、内聚力、摩擦角、泊松比等。数据获取方法:借鉴已有研究成果,或通过声波测井数据结合实际岩样实验测试获得;实际研究中应用已有的成熟理论,结合研究区块实际,建立应用声波测井数据确定地层岩石力学参数的方法,获取地层岩石力学参数,在能取得岩心的前提下实验测试获取准确的岩石力学参数数据。
(2)地应力参数
数据获取方法:借鉴已有研究成果,或通过声波测井等数据结合实际岩样实验测试获得;建立应用声波测井数据确定地应力参数的方法,获得较为准确的研究区块地应力参数,为后续影响因素量化提供基础。
(3)孔隙压力
数据获取方法:借鉴已有研究成果,或通过声波测井等数据结合实钻测试获得;建立应用声波测井数据确定孔隙压力参数的方法,获得较为准确的研究区块孔隙压力参数,为后续影响因素量化提供基础。
(4)研究目标地层岩石矿物成分
数据获取方法:借鉴已有研究成果,或通过实际岩样实验测试获得。
(5)研究目标地层岩石水化膨胀性能
数据获取方法:借鉴已有研究成果,或通过实际岩样、在用钻井液体系实验测试获得,结合大数据分析理论,合理量化影响因素。
(6)井眼井斜与方位对井壁稳定影响的力学分析结果
数据获取方法:借鉴已有研究成果,或通过经典力学理论分析获得井壁应力状态,合理确定量化影响因素。
(7)钻井液体系与性能;数据获取方法:借鉴已有研究成果,或通过钻井数据库参数分析获得,合理量化影响因素。
(8)钻井水力参数;数据获取方法:借鉴已有研究成果,或通过钻井数据库参数分析获得,研究中需要综合考虑井眼尺寸、钻井液性能等,为实钻密度窗口确定提供依据。
(9)在用钻井液体系下井壁稳定的时间效应;数据获取方法:借鉴已有研究成果,或通过钻井数据库参数分析获得,研究中重点借鉴已有研究成果,合理量化影响因素。
(10)钻井液密度窗口;数据获取方法:借鉴已有研究成果确定地层坍塌压力,或通过理论分析确定地层坍塌压力,进而确定钻井液密度窗口;
在一个实施例中,S3步骤数据预处理,对井壁失稳钻井数据分析扫描,其中,包括区块、地层容易发生井壁失稳现象数据,具体的井型、井别、项目部发生井壁失稳多发情况,同区块邻井钻井数据分析对比,在用钻井液体系下井壁稳定的时间效应和钻井液密度窗口,形成同区块井壁失稳多发预警方案。
一口井开钻前,压应力就已存在于岩层中。除去构造复杂地区外,地应力可分为垂直应力或上覆压力σV及两个水平应力:σH(最大水平应力)和σh(最小水平应力)。一般讲,两个水平应力不相等。开钻后,泥浆液柱压力取代了所钻岩层提供的对井壁的支撑,引起井眼周围应力重新分布,这重新分布的应力可称为σθ沿井眼周向应力)、σr沿井眼径向应力)、σz平行井眼轴线应力。在斜井中,还包括剪切应力分量τθz。
井壁应力能够容易计算出来,主要依赖于应力—应变特性,此特性是选来模拟岩层对荷载的响应的。假定的最普通的特性是地层均质、各向同性和线—弹性。据此,应力可由一些简单的方程描述出来,其它特性模型需要用数值方法求解。线—弹性分析法应用简单,因而是最普通的方法,其它复杂的模型很难得到完整的输入参数,而且这些参数在现场很难准确确定。由线—弹性方法,井壁上应力状态一般都处于临界点,有时在欠平衡钻井且考虑孔隙流体迁移的粘滞效应条件下,大部分临界点发生在岩石内部而不是在井壁上,三个主应力的描述为:
最大主应力σ1:
Aziσ1为σ1与正北方向的夹角;
Incσ1为σ1下倾方向与铅垂方向的夹角;
中间主应力σ2:
Tiltσ2为σ2与铅垂方向的夹角;
最小主应力σ3;
①井壁弹性模型:
式中:
σr为圆柱坐标系下的径向应力分量;
σθ为圆柱坐标系下的切向应力分量;
σz为圆柱坐标系下的轴向应力分量;
τrθ为圆柱坐标系下的剪切应力分量;
τθz为圆柱坐标系下的剪切应力分量;
τrz为圆柱坐标系下的剪切应力分量;
PP为孔隙压力;
μ为泊松比;
δ为井壁渗透性系数;当井壁为不渗透时δ=0;当井壁为可渗透时δ=1;
θ为井周角(相对于x-轴);
φ1为孔隙度;
α1为毕奥特系数;
PW为井筒内液体压力;
α为井斜角;
R为井筒半径;
r为径向坐标;
②井壁上的应力状态为:
令r=R:
σr=ΡW-δφ1(PW-PP)
τrθ=0
τrz=0
具体的,通过设置的数据接口搭建井壁失稳分析一体化智能运维平台承担整个的运维支撑工作,并对可能出现钻井失稳数据全面监控;通过网络拓扑图、自动化运维及定制化功能,再通过数据分析,提供预防井壁失稳的安全密度窗口,井径变化的控制分析,钻井液性能与处理剂加量的优化,邻井数据分析,ECD分析及钻井时间效应分析等,进行智能任务调度,达到降低目标地层岩石的水化膨胀影响、预防井壁失稳的目的。
在本实施例中:S4步骤基于BP神经网络训练,构建井壁弹性模型,其中,井径变化分析通过井壁相对稳定的井生成建议施工方案,对井壁相对不稳定的井生成预警方案,方案内容包括了区块、地层、性能范围以及处理剂加量。主要是结合已有的井壁失稳理论及实验研究成果,找到所研究区块的井壁失稳的主控因素和相关因素,基于数据分类,建立大数据模型,通过大数据学习提高分析预测的准确性。研究区块地层的钻井液体系和性能参数,处理剂用量和配置的优化,分析如何减小井径的变化,找出合理的安全密度窗口及密度预警窗口,对增加坍塌周期减弱钻井时间效应提供数据支持,同时对邻井的数据进行分析,找到安全的钻井参数等;如图5所示,地应力参数模型;重点针对区域所研究区块,重点层位开展研究。结合已有的井壁失稳理论和实验研究成果建立神经网络模型;
通过国内外文献调研,综合考虑影响井壁的各因素,建立基于大数据分析与深度学习的井壁失稳预测模型。
对于不同的条件,有下表给出的钻井液密度计算公式:
这种情况是在某些条件下得到的。在实际中,应该将σr、σθ、σz的表达式代入库伦-摩尔准则进行求解,得出相应的条件。
Lade准则与库伦-摩尔准则具有相似的做法,求出对应解。
其中,Lade准则具有以下表达式:
其中,I1=σ1+σ2+σ3;I3=σ1σ2σ3;Pa为大气压;m,η1为材料常数;
其中,修改的Lade准则具有以下表达式:
(I″1)3/I″3=27+η (15)
其中,
I″1=(σr+S1-PP)+(σθ+S1-PP)+(σZ+S1-PP)
S1、η为材料常数;S1=S0/tanφ;η=4tan2φ(9-7sinφ)/(1-sinφ)
PP为孔隙压力;φ为内摩擦角;
S0为岩石的固有剪切强度或内摩擦力;
q剪切强度(shear strength);q=(1/2)[(σ1-σ2)2+(σ2-σ3)2+(σ1-σ3)2]1/2
在上式中代入孔弹性模型下的应力计算表达式,即可求出对应的PW。
当井壁为不渗透时,δ=0,此时有:
式中:
A=σZ+S1-PP
D=(σθn+σZ+3S1-3PP)3/(27+η)
具体的,本发明的预警方案优选区块地层的钻井液体系和性能参数,处理剂用量和配置的优化,分析如何减小井径的变化,找出合理的安全密度窗口及密度预警窗口,如图3所示,对增加坍塌周期减弱钻井时间效应提供数据,支持基于大数据分析与深度学习的井壁失稳预测,主要是结合已有的井壁失稳理论及实验研究成果,找到所研究区块的井壁失稳的主控因素和相关因素,基于数据分类,建立大数据模型,通过大数据学习提高分析预测的准确性,同时对邻井的数据进行分析,找到安全的钻井参数等,最终生成建议施工方案。
在本实施例中:S5步骤建议施工方案,其中施工方案分析按不同维度优选出本区块的施工方案,优选维度包括井径扩大率、钻井周期、机械钻速、钻井成本,指标包括优先密度范围、标准密度范围、电测遇阻和伽马值,
针对井壁稳定问题,井壁失稳实质上是力学上的失效问题。因为涉及到的影响因素众多,主要因素可以概括为岩石强度影响、地应力影响、水化膨胀影响(包含时间效应)、井筒钻井液密度窗口影响、钻井工程因素五个大类。
其中水化膨胀的影响涉及到孔隙压力、钻井液中电解质化学与物理化学的影响,并且许多影响是相互关联的,目前研究中量化困难。研究中需要借鉴已有的成熟理论,结合区块钻井的工程实际,给出合理量化数据。
实际研究中,应用直接的量化数据难以合理确定权重,需要按照五个数据大类,应用理论方法,应用国内外已有成熟研究成果,结合长庆钻井工程实际,合理确定主控影响因素,并予以合理量化;
S6步骤基于BP神经网络建立井壁预测模型,其中,分析邻井各地层的性能范围、处理剂加量、机械钻速、ECD值、时长、事故复杂、井径扩大率、伽马值、钻井周期、成本和电测信息。研究重点是优选区块地层的钻井液体系和性能参数,处理剂用量和配置的优化,分析如何减小井径的变化,找出合理的安全密度窗口及密度预警窗口,对增加坍塌周期减弱钻井时间效应提供数据支持,同时对邻井的数据进行分析,找到安全的钻井参数等。
具体的,对获得的数据进行选择,因为有时候并不是所有获得的数据都可以使用同一个模型来进行拟合,如果模型训练过程中使用的数据在数值、分布等方面差异较大,则模型的拟合效果就不可避免地会变差。该问题在钻井数据中尤其明显。通常,在石油钻井过程中,由于地理位置的影响,多口井之间差别较大的客观环境会直接导致钻井数据之间的显著差异,如果使用多口井的数据训练同一个模型,则训练后得到的模型拟合效果很有可能会变差。甚至,由于钻进深度的影响,在同一口井的不同钻井阶段,钻井数据也有着较大的差异。因此,在对数据进行处理之前,首先要选择合适的数据。
1)进行数据清洗,通常是为了解决数据的质量问题。通常,从实际应用中获得的原生数据中不可避免地会存在一些问题,比如数据部分缺失、特征无效等。针对钻井数据的具体情况,该步骤主要对不同的数据缺陷进行处理。
2)离群点处理,用于检测并处理数据中存在的离群点。离群点通常是指与其他样本点相距较远、显著偏离其他数据点的样本。在分布上,正常样本通常较为密集地分布于一小块区域,而离群点则通常远离正常样本分布,且分布较为稀疏。离群点可能表示数据异常、采样流程中存在错误或者某个理论在特定的场合并不适用。因此需要采用聚类算法来发现甄别并进行相应处理。
3)在离群点处理完成之后、将数据输入到模型中进行训练之前,还需要将数据进行分割和归一化处理。
4)我们将尝试神经网络等多种机器学习算法去进行建模,并进行比较,筛选出具有最佳效果的预测模型。
基于大数据分析与深度学习的井壁失稳预测模型的建立后,实际应用研究中需要大量资料数据才能进一步完善预测模型,不断对模型进行优化。全面、准确的数据获取,因为涉及数据范围广、数据量大,需要的重要基础资料多(如岩心、岩屑、测井数据等),研究目标地层为非储层,可能出现需要的部分基础资料难以获取或难以获取准确数据等问题。
S7步骤建立地层压力模型,通过国内外文献调研,综合考虑影响井壁的各因素,建立基于大数据分析与BP神经网络井壁预测模型训练深度学习的井壁失稳预测模型。
具体的,重点针对区域所研究区块,重点层位开展研究。结合已有的井壁失稳理论和实验研究成果建立神经网络模型。
1、地层破裂压力剖面模型
地层破裂压力指的是井眼裸露地层在外力作用下使其起裂或原有裂缝重新开启的压力,地层破裂是由于井内钻井液密度过高,使岩石所受到的有效切向应力超过岩石的抗张强度造成的。其计算模式主要有:
1.1实用破裂压力预测模式Ⅰ
实用破裂压力预测模型
两个水平主地应力的预测模式:
公式中:
Pf为地层破裂压力,MPa;
Es为岩石静态杨氏模量,MPa;
μs为岩石静态泊松比,无因次;
Pp为地层孔隙压力,MPa;
α为-有效应力系数,无因次;
σH为水平最大主应力,MPa;
σh为水平最小主应力,MPa;
σv为上覆岩层压力,MPa;
St为岩石抗拉强度,Mpa。
2、地层坍塌压力剖面计算模型
井壁的坍塌是与井壁围岩的应力状态、强度特性和钻井液密度等密切相关,目前计算地层坍塌压力的模式主要有两个,即如下的实用计算模型Ⅰ和实用计算模型Ⅱ。
2.1实用坍塌压力计算模型Ⅰ
预测模式:
式中:
ρbt为地层剪切坍塌压力等效泥浆密度,g/cm3;
η为井壁岩石的非线性修正系数,对一般泥浆岩取η=0.95;
其它参数意义、确定方法同前。
2.1实用坍塌压力计算模型II
预测模式:
式中:
Kt=3γ-β,称为区域构造应力影响系数,同一区块内为常数,无因次;
其它参数意义及确定方法同前。
利用上边的模型我们可以利用VB6.0进行计算机编程。利用所编的程序我们可以计算出地层弹性参数,然后利用下面的准则判断井壁的稳定性情况。
预测生成区块三压力剖面,如图4所示;包括破裂压力预测评估、坍塌压力预测评估和孔隙压力预测评估,针对井壁稳定问题,井壁失稳实质上是力学上的失效问题。因为涉及到的影响因素众多,主要因素可以概括为岩石强度影响、地应力影响、水化膨胀影响(包含时间效应)、井筒钻井液密度窗口影响、钻井工程因素五个大类。
其中水化膨胀的影响涉及到孔隙压力、钻井液中电解质化学与物理化学的影响,并且许多影响是相互关联的,目前研究中量化困难。研究中需要借鉴已有的成熟理论,结合长庆区块钻井的工程实际,给出合理量化数据。
S8步骤井壁失稳预测,利用电脑端程序对井壁失稳预测,主要是结合已有的井壁失稳理论及实验研究成果,找到所研究区块的井壁失稳的主控因素和相关因素,基于数据分类,建立大数据模型通过大数据学习提高分析预测的准确性。
具体的,结合已有的井壁失稳理论和实验研究成果建立神经网络模型,基于大数据分析与机器学习的井壁失稳预测,主要是结合已有的井壁失稳理论及实验研究成果,找到所研究区块的井壁失稳的主控因素和相关因素,基于数据分类,建立大数据模型,通过大数据学习提高分析预测的准确性。
地层是在相对不变的沉积环境中,经过一段时间的沉积形成的在岩石物性上相对稳定的一段沉积间距,因而测井曲线理论上讲应为阶跃线段组成。实际上由于邻层的贡献,测井曲线呈现为光滑的曲线。测井分析家在对测井曲线分层时,是根据测井曲线形态特征和幅度来分层,即通过对测井曲线进行符号特征抽象后,再根据经验知识和逻辑规则,进行逻辑推理判定,最后得到结论。人工智能自动分层方法的原理是通过计算机来模拟人的思维推理活动,用计算机语言对手工对比工作中用到的知识和规则予以表达,并将人在分层中的思维逻辑过程进行描述,利用计算机来模拟人的思维推理过程。
因为相关井壁稳定的大数据分析涵盖范围广,涉及地应力分布、孔隙压力预测、地层岩石力学参数、地层岩石粘土矿物类型与含量、地层岩石水化膨胀性能、钻井液体系与性能、钻井液循环与井下压力变化、井眼井斜与方位、目标地层岩石的水化膨胀时间效应等,需要的数据多、数据获取来源涉及多部门。
建立井壁失稳分析一体化平台可以对应区块地层岩性分析、井筒物理化学分析、钻井液液柱压力及ECD分析,各区块事故复杂预防实现对井壁失稳各影响因子进行权重分配。
综合上述技术方案使用训练好的神经网络,是针对每年汇集大量的事故处理案例,正确分析处理历史大数据,建立基于机器学习技术建立预测井壁失稳的人工智能程序,S1和S2是构建机器学习进行训练前的数据收集准备,S3是预处理将历年的数据进行训练,S4、S5是通过训练学习找到问题预警和解决方案,使得神经网络训练的结果与实际的情况比较吻合提高解决问题的效率,S6、S7是在多种复杂的情况下找到或选择适应的适用工程问题的方案模型,基于BP神经网络训练好的井壁失稳预测模型,S8根据训练好的神经网络井壁失稳预测模型,进行对井壁失稳预测。
本公开实施例提供一种基于大数据的井壁失稳分析方法,基于大数据分析与深度学习的井壁失稳预测,主要是结合已有的井壁失稳理论及实验研究成果,找到所研究区块的井壁失稳的主控因素和相关因素,基于数据分类,建立大数据模型,通过大数据学习提高分析预测的准确性,通过大数据模型的应用,利用深度学习技术对长庆区域井壁失稳评价研究,最终形成基于大数据的长庆地区井壁失稳评价与预防技术;基于大数据分析的井壁失稳分析工具,主要是通过数据分析,提供预防井壁失稳的安全密度窗口,井径变化的控制分析,钻井液性能与处理剂加量的优化,邻井数据分析,ECD分析及钻井时间效应分析等,达到降低目标地层岩石的水化膨胀影响、预防井壁失稳的目的。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据的井壁失稳分析方法,其特征在于,所述方法包括:
101、根据数据采集平台采集的数据建立井壁失稳分析数据库并构建数据接口;遍历所有历年钻井数据对井壁失稳数据分析扫描进行预处理,构建井壁弹性模型,获取井壁上的应力状态,将历年井壁失稳的数据进行训练;
102、所述将历年井壁失稳的数据进行训练是对区块地层的井径变化和对区块内所有施工方案进行分析,根据不同条件的应力分量分别获得钻井液密度代入准则进行运算,得出井壁剪切面上的剪应力,判断所述井壁的稳定性情况;
103、根据邻井数据分析所述区块内所有施工方案,得到安全密度窗口及密度预警窗口;根据所述区块内历史测井数据归一化后基于BP神经网络进行训练建模,通过所述训练建立地层压力模型;所述地层压力模型为训练好的井壁失稳预测神经网络模型,对井壁失稳预测。
2.根据权利要求1所述的一种基于大数据的井壁失稳分析方法,其特征在于,所述步骤101中的所述数据采集平台采集数据,是指采集井场数据、现场工程数据,构建机器学习进行训练前的数据收集准备;所述构建数据接口为井径数据、事故复杂信息、伽马值、井基础信息、测井数据、钻井参数、钻井液性能、电测信息的抽取清洗转换接口;
所述步骤101中的所述遍历所有历年钻井数据对井壁失稳数据分析扫描进行预处理,是指对所述所有历年钻井数据获取影响井壁失稳参数、区块和地层容易发生井壁失稳数据构建井壁弹性模型,所述井壁弹性模型公式为如下:
圆柱坐标系下的径向应力分量σr为:
圆柱坐标系下的切向应力分量σθ为:
圆柱坐标系下的轴向应力分量σz为:
圆柱坐标系下的剪切应力分量τrθ为:
圆柱坐标系下的剪切应力分量τθz为:
圆柱坐标系下的剪切应力分量τrz为:
式中:PP为孔隙压力;μ为泊松比;δ为井壁渗透性系数;
θ为井周角(相对于x-轴);φ1为孔隙度;α1为毕奥特系数;PW为井筒内液体压力;
当井壁为不渗透时,井壁渗透性系数δ=0;
当井壁为可渗透时,井壁渗透性系数δ=1;
令r=R;带入式(1)、(2)、(3)获取井壁上的应力状态;所述井壁上的应力状态公式为:
σr=ΡW-δφ1(PW-PP) (7)
τrθ=0 (10)
τrz=0 (12)
τrθ、τθz、τrz分别为圆柱坐标系下的剪切应力分量。
3.根据权利要求1所述的一种基于大数据的井壁失稳分析方法,其特征在于,所述步骤102所述所述将历年井壁失稳的数据进行训练是对区块地层的井径变化和对区块内所有施工方案进行分析,根据不同条件的应力分量分别获得钻井液密度并代入准则进行运算求解,得出相应的井壁剪切面上的剪应力,判断所述井壁的稳定性情况;是指根据不同条件的径向应力分量σr、切向应力分量σθ、轴向应力分量σz分别获得钻井液密度并代入库伦-摩尔准则进行运算求解,得出相应的井壁剪切面上的剪应力;
所述库伦-摩尔准则为:当剪切面上的剪应力大于等于岩石固有剪切强度S0值加上作用于剪切面上的摩擦阻力fσ,井壁发生剪切破坏,否则,井壁为稳定结构;
|τ|≥fσ+S0 (13)
其中,τ为剪切面上的剪应力;S0为岩石固有剪切强度;f为岩石内摩擦系数。
4.根据权利要求3所述的一种基于大数据的井壁失稳分析方法,其特征在于,所述将所述径向应力分量σr、切向应力分量σθ、轴向应力分量σz的表达式在不同的条件下代入库伦-摩尔准则进行求解,得出相应的井眼方向的临界钻井液密度Ρw;
e、当σr≥σz≥σθ时,Ρw≥σvtan2β-α1Ρf(tan2β-1)+C0
f、当σθ≥σr≥σz时,Ρw≤2σh-σvtan2β+α1Ρf(tan2β-1)-C0
其中,σr为圆柱坐标系下的径向应力分量;σθ为圆柱坐标系下的切向应力分量;σz为圆柱坐标系下的轴向应力分量。
5.根据权利要求3所述的一种基于大数据的井壁失稳分析方法,其特征在于,所述步骤102所述将历年井壁失稳的数据进行训练是对区块地层的井径变化和对区块内所有施工方案进行分析,根据不同条件的应力分量分别获得钻井液密度并代入准则进行运算求解,是指所述将所述径向应力分量σr、切向应力分量σθ、轴向应力分量σz的表达式在不同的条件下代入修正的Lade准则进行求解,得出相应的井眼方向的临界钻井液密度Ρw;
所述Lade准则具有以下表达式:
其中,I1=σ1+σ2+σ3;I3=σ1σ2σ3;Pa为大气压;m,η1为材料常数;
所述修改的Lade准则具有以下表达式:
(I″1)3/I″3=27+η (15)
其中,
I″1=(σr+S1-PP)+(σθ+S1-PP)+(σZ+S1-PP)
S1、η为材料常数;S1=S0/tanφ;η=4tan2φ(9-7sinφ)/(1-sinφ)
PP为孔隙压力;φ为内摩擦角;
S0为岩石的固有剪切强度或内摩擦力;
q剪切强度;q=(1/2)[(σ1-σ2)2+(σ2-σ3)2+(σ1-σ3)2]1/2
当井壁为不渗透时,井壁渗透性系数δ=0,将所述式(15)代入井壁弹性模型中运算得到所述井眼方向的临界钻井液密度PW表达式为:
式中:
A=σZ+S1-PP;
D=(σθn+σZ+3S1-3PP)3/(27+η);
6.根据权利要求4或5所述的一种基于大数据的井壁失稳分析方法,其特征在于,所述井眼方向的临界钻井液密度值通过大数据学习分析预测,所述预测分析为预测生成区块三压力剖面,所述三压力剖面包括破裂压力预测评估、坍塌压力预测评估和孔隙压力预测评估;同时对邻井的数据进行分析,得到安全的钻井参数,并生成建议施工方案。
7.根据权利要求6所述的一种基于大数据的井壁失稳分析方法,其特征在于,所述对邻井的数据进行分析,得到安全的钻井参数,是指对各地层邻井的数据分析,得到安全密度窗口及密度预警窗口;所述邻井的数据分析包括区块地层的钻井液体系、性能参数,处理剂用量和配置的优化,如何减小井径的变化的分析;
其中,所述邻井的数据包括性能范围、处理剂加量、机械钻速、井基础信息、钻井参数、事故复杂、井径扩大率、伽马值、钻井周期、成本和电测信息;
所述生成建议施工方案,是指按不同维度选出本区块的施工方案,选取维度包括井径扩大率、钻井周期、机械钻速、钻井成本,所述建议施工方案指标包括优先密度范围、标准密度范围、电测遇阻和伽马值。
8.根据权利要求7所述的一种基于大数据的井壁失稳分析方法,其特征在于,所述对各地层邻井的数据分析、得到安全密度窗口及密度预警窗口之前,对获得所述邻井的数据进行选择,采用数据清洗对不同的所述邻井的数据缺陷进行处理,所述处理邻井的数据中存在的离群点,所述离群点数据采用聚类算法来甄别并进行处理,再将所述的数据进行模式分类和归一化处理后作为BP神经网络训练的输入。
9.根据权利要求7所述的一种基于大数据的井壁失稳分析方法,其特征在于,根据所述本区块的施工方案和安全密度窗口及密度预警窗口,根据所述区块内历史测井数据归一化后基于BP神经网络进行训练建模,通过所述训练建立地层压力模型,是通过基于BP神经网络训练建立地层破裂压力剖面模型和地层坍塌压力剖面模型。
10.根据权利要求9所述的一种基于大数据的井壁失稳分析方法,其特征在于,所述地层破裂压力剖面模型是指基于井眼裸露地层在外力作用下使其起裂或原有裂缝重新开启的地层破裂压力,所述地层破裂是由于井内钻井液密度过高,使岩石所受到的有效切向应力超过岩石的抗张强度造成的;其计算模型主要有:
实用破裂压力预测模型
两个水平主地应力的预测模式:
公式中:
Pf为地层破裂压力,MPa;Es为岩石静态杨氏模量,MPa;
μs为岩石静态泊松比,无因次;Pp为地层孔隙压力,MPa;
α为有效应力系数,无因次;σH为水平最大主应力,MPa;
σh为水平最小主应力,MPa;σv为上覆岩层压力,MPa;
St为岩石抗拉强度,Mpa;
ξ1、ξ2为两个水平方向上的构造应力系数;
所述地层坍塌压力剖面计算模型主要包括地层坍塌压力模型Ⅰ、地层坍塌压力实用计算模型Ⅱ;
所述地层坍塌压力模型Ⅰ预测模式:
式中:
ρbt为地层剪切坍塌压力等效泥浆密度,g/cm3;
η为井壁岩石的非线性修正系数,对一般泥浆岩取η≤1;
σH为水平最大主应力;σh为水平最小主应力;Ρp为地层孔隙压力;
H为返射层深度;K为修正系数,K=0.5~0.80;
地层坍塌压力实用计算模型Ⅱ的预测模式:
式中:Kt=3γ-β,称为区域构造应力影响系数,同一区块内为常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211200686.XA CN115586086A (zh) | 2022-09-29 | 2022-09-29 | 一种基于大数据的井壁失稳分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211200686.XA CN115586086A (zh) | 2022-09-29 | 2022-09-29 | 一种基于大数据的井壁失稳分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115586086A true CN115586086A (zh) | 2023-01-10 |
Family
ID=84777868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211200686.XA Pending CN115586086A (zh) | 2022-09-29 | 2022-09-29 | 一种基于大数据的井壁失稳分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115586086A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115434699A (zh) * | 2022-09-05 | 2022-12-06 | 中国矿业大学(北京) | 一种基于测量页岩井壁静态力学参数的测井方法及系统 |
CN116822971A (zh) * | 2023-08-30 | 2023-09-29 | 长江大学武汉校区 | 一种井壁风险等级预测方法 |
-
2022
- 2022-09-29 CN CN202211200686.XA patent/CN115586086A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115434699A (zh) * | 2022-09-05 | 2022-12-06 | 中国矿业大学(北京) | 一种基于测量页岩井壁静态力学参数的测井方法及系统 |
CN115434699B (zh) * | 2022-09-05 | 2023-08-29 | 中国矿业大学(北京) | 一种基于测量页岩井壁静态力学参数的测井方法及系统 |
CN116822971A (zh) * | 2023-08-30 | 2023-09-29 | 长江大学武汉校区 | 一种井壁风险等级预测方法 |
CN116822971B (zh) * | 2023-08-30 | 2023-11-14 | 长江大学武汉校区 | 一种井壁风险等级预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2569116C2 (ru) | Система и способ для выполнения операций интенсификации добычи в скважине | |
US10605060B2 (en) | System and method for performing stimulation operations | |
US20230313646A1 (en) | Integrated well completions | |
CN115586086A (zh) | 一种基于大数据的井壁失稳分析方法 | |
US9416630B2 (en) | Grid calculation for fluid flow modeling | |
Day et al. | New direct shear testing protocols and analyses for fractures and healed intrablock rockmass discontinuities | |
Li et al. | Prediction of CO2 leakage risk for wells in carbon sequestration fields with an optimal artificial neural network | |
CN111504252B (zh) | 一种长距离隧洞膨胀性围岩变形超前预测预报方法 | |
CN111738371B (zh) | 一种基于随机森林数据挖掘的地层裂缝条数预测方法 | |
Zhdaneev et al. | Predictive systems for the well drilling operations | |
LIANG et al. | Stratum identification based on multiple drilling parameters and probability classification | |
CN116128084A (zh) | 一种致密油藏水平井体积压裂缝网控制储量的预测方法 | |
US9482088B2 (en) | Mean regression function for permeability | |
Singh et al. | A comprehensive review of fracture-driven interaction in unconventional oil and gas plays: Characterization, real-time diagnosis, and impact on production | |
US11216700B2 (en) | Automated material classification by structural features | |
van As | Geotechnical engineering for mass mining | |
Chen et al. | GINI coefficient: An effective way to evaluate inflow profile equilibrium of horizontal wells in Shengli Oil Field | |
You et al. | Stratigraphic identification using real-time drilling data | |
CN117420150B (zh) | 一种基于钻井参数的分析预测系统及其预测方法 | |
CN114624784B (zh) | 灰岩储层的状态确定方法、装置及可读存储介质 | |
Wang et al. | An Artificial Intelligence Algorithm for the Real-Time Early Detection of Sticking Phenomena in Horizontal Shale Gas Wells. | |
Bai et al. | Well integrity evaluation during CO2 storage and enhanced gas recovery | |
CN118153741A (zh) | 一种基于人工智能的钻井安全周期预测方法和系统 | |
Saleh et al. | Artificial Intelligence Techniques Applied to Massive Collected Sensor Data in Subsurface Energy Applications | |
Mahetaji et al. | A critical review of rock failure Criteria: A scope of Machine learning approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |